多模態預訓練大模型

基于多模態的預訓練大模型將實現圖文音統一知識表示，成為人工智能基礎設施。

人工智能正在從文本、語音、視覺 等單模態智能，向著多種模態融合的通 用人工智能方向發展。多模態統一建模，目的是增強模型的跨模態語義對齊能力， 打通各個模態之間的關系，使得模型逐步標準化。目前，技術上的突出進展來自于 CLIP（匹配圖像和文本）和 BEiT-3 （通用多模態基礎模型）。基于多領域知識，構建統一的、跨場景、多任務的多模態基礎模型已成為人工智能的重點發展方向。未來大模型作為基礎設施，將實現圖像、文本、音頻統一知識表示，并朝著能推理、能回答問題、能總結、做創作的認知智能方向演進。

趨勢二

Chiplet

Chiplet 的互聯標準將逐漸統一，重構芯片研發流程。 

Chiplet 是硅片級別的“解構 - 重構 - 復用”，它把傳統的 SoC 分解為多個芯 粒模塊，將這些芯粒分開制備后再通過 互聯封裝形成一個完整芯片。芯粒可以 采用不同工藝進行分離制造，可以顯著降低成本，并實現一種新形式的 IP 復用。隨著摩爾定律的放緩，Chiplet 成為持續提高 SoC 集成度和算力的重要途徑，特別是隨著 2022年3月份 UCle 聯盟的成立，Chiplet互聯標準將逐漸統一，產業化進程將進一步加速。基于先進封裝技術的 Chiplet 可能將重構芯片研發流程， 從制造到封測，從 EDA 到設計，全方位 影響芯片的區域與產業格局。

趨勢三

存算一體

資本和產業雙輪驅動，存算一體芯片將在垂直細分領域迎來規模化商用。 

存算一體旨在計算單元與存儲元融合，在實現數據存儲的同時直接進行計算，以消除數據搬移帶來的開銷， 極大提升運算效率，以實現計算存儲的高效節能。存算一體非常符合高訪存、 高并行的人工智能場景計 算 需 求。 

在產業和投資的驅動下， 基于SRAM， DRAM，Flash 存儲介質的產品進入驗證期，將優先在低功耗、小算力的端側如智能家居、可穿戴設備、泛機器人、 智能安防等計算場景落地。未來，隨著 存算一體芯片在云端推理大算力場景落 地，或將帶來計算架構的變革。它推動 傳統的以計算為中心的架構向以數據為中心的架構演進，并對云計算、人工智能、物聯網等產業發展帶來積極影響。

趨勢四

云原生安全

安全技術與云緊密結合，打造平臺化、智能化的新型安全體系。

云原生安全是安全理念從邊界防御 向縱深防御、從外掛模式向內生安全的轉變，實現云基礎設施的原生安全，并基于云原生技術提升安全的服務能力。 

安全技術與云計算由相對松散走向緊密 結合，經過“容器化部署”、“微服務 化轉型”走向“無服務器化”的技術路線， 實現安全服務的原生化、精細化、平臺化和智能化：

● 以安全左移為原則，構建產品研發、 安全、運維一體化的產品安全體系， 增進研發，安全和運維融合協同；

● 以統一的身份驗證和配置管理為基 礎，實現精準授權和動態策略配置；

● 以縱深防御體系為架構，平臺級的安 全產品為依托，實現精準主動防御， 化解傳統安全產品碎片化的問題；

● 以安全運營為牽引，實現涵蓋應用、 云產品、網絡等全鏈路的實時檢測、 精準響應、快速溯源和威脅狩獵。

趨勢五

軟硬融合云計算體系架構

云計算向以CIPU 為中心的全新云計算體系架構深度演進，通過軟件定義，硬件加速， 在保持云上應用開發的高彈性和敏捷性 同時，帶來云上應用的全面加速。

云計算從以 CPU 為中心的計算體系 架構向以云基礎設施處理器（CIPU）為 中心的全新體系架構深度演進。通過軟件定義，硬件加速，在保持云上應用開發的高彈性和敏捷性同時，帶來云上應 用的全面加速。新的體系架構下，軟硬一體化帶來硬件結構的融合，接入物理的計算、存儲、網絡資源，通過硬件資 源的快速云化實現硬件加速。此外，新 架構也帶來軟件系統的融合。

這意味著 以 CIPU 云化加速后的算力資源，可通 過 CIPU 上的控制器接入分布式平臺， 實現云資源的靈活管理、調度和編排。在此基礎上，CIPU 將定義下一代云計 算的服務標準，給核心軟件研發和專用 芯片行業帶來新的發展機遇。

趨勢六

端網融合的可預期網絡

基于云定義的可預期網絡技術，即將從數據中心的局域應用走 向全網推廣。

可預期網絡（Predictable Fabric）是由云計算定義，服務器端側和網絡協同 的高性能網絡互聯系統。計算體系和網絡體系正在相互融合，高性能網絡互聯 使能算力集群的規模擴展，從而形成了大算力資源池，加速了算力普惠化，讓算力走向大規模產業應用。

可預期網絡不僅支持新興的大算力和高性能計算場景，也適用于通用計算場景，是融合了傳統網絡和未來網絡的產業趨勢。通過云定義的協議、軟件、芯片、硬件、架構、平臺的全棧創新，可預期高算力網絡有 望顛覆目前基于傳統互聯網 TCP 協議的 技術體系，成為下一代數據中心網絡的 基本特征，并從數據中心的局域應用走 向全網推廣。

趨勢七

雙引擎智能決策

融合運籌優化和機器學習的雙引擎智能決策，將推進全局動態 資源配置優化。

企業需在紛繁復雜、動態變化的環 境中快速精準地做出經營決策。經典決 策優化基于運籌學，通過對現實問題進 行準確描述來構建數學模型，同時結合 運籌優化算法，在多重約束條件下求目 標函數最優解。

隨著外部環境復雜程度 和變化速度不斷加劇，經典決策優化對不確定性問題處理不夠好、大規模求解 響應速度不夠快的局限性日益突顯。學 術界和產業界開始探索引入機器學習，構建數學模型與數據模型雙引擎新型智 能決策體系，彌補彼此局限性、提升決 策速度和質量。未來，雙引擎智能決策 將進一步拓展應用場景，在大規模實時電力調度、港口吞吐量優化、機場停機 安排、制造工藝優化等特定領域推進全 局實時動態資源配置優化。

趨勢八

計算光學成像

計算光學成像突破傳統光學成像極限，將帶來更具創造力和想象力的應用。

計算光學成像是一個新興多學科交 叉領域。它以具體應用任務為準則，通 過多維度獲取或編碼光場信息（如角度、偏振、相位等），為傳感器設計遠超人眼的感知新范式；同時，結合數學和信號處理知識，深度挖掘光場信息，突破傳統光學成像極限。

目前，計算光學成 像處于高速發展階段，已取得許多令人 振奮的研究成果，并在手機攝像、醫療、無人駕駛等領域開始規模化應用。未來，計算光學成像有望進一步顛覆傳統成像 體系，帶來更具創造力和想象力的應用， 如無透鏡成像、非視域成像等。

趨勢九

大規模城市數字孿生

城市數字孿生在大規模趨勢基礎上，繼續向立體化、無人化、全局化方向演進。

城市數字孿生自 2017 年首度被提出以來，受到廣泛推廣和認可，成為城市 精細化治理的新方法。近年來，城市數字孿生關鍵技術實現了從量到質的突破， 具體體現在大規模方面，實現了大規模 動態感知映射（更低建模成本）、大規模 在線實時渲染（更短響應時間），以及大規模聯合仿真推演（更高精確性）。

目前，大規模城市數字孿生已在交通治理、 災害防控、雙碳管理等應用場景取得較 大進展。未來城市數字孿生將在大規模 趨勢的基礎上，繼續向立體化、無人化、 全局化方向演進。

趨勢十

生成式 AI

生成式AI進入應用爆發期，將極大地推動數字化內容生產與創造。

生成式 AI（Generative AI 或 AIGC）是利用現有文本、音頻文件或圖像創建 新內容的技術。過去一年，其技術上的 進展主要來自于三大領域：圖像生成領 域， 以 DALL·E-2、Stable Diffusion 為 代表的擴散模型（Diffusion Model）；自然語言處理（NLP）領域基于 GPT-3.5 的 ChatGPT；代碼生成領域基于 Codex 的 Copilot。 

現階段的生成式 AI 通常被用來生成產品原型或初稿，應用場景涵 蓋圖文創作、代碼生成、游戲、廣告、藝術平面設計等。未來，生成式 AI 將成為一項大眾化的基礎技術，極大的提高數字化內容的豐富度、創造性與生產效 率，其應用邊界也將隨著技術的進步與成本的降低擴展到更多領域。